[发明专利]视频中基于头顶像素点梯度方向的行人头肩部检测方法

说明书

技术领域

本发明涉及视频图像处理技术领域，具体为视频中行人头肩部的检测方法。

背景技术

视频监控场景中的行人检测在辅助驾驶、安防监控、客流量统计等方面有着重要的作用，因为行人检测是跟踪和识别等重要技术的基础。由于实际应用场景中存在行人姿态各异、人体被遮挡、光照突变以及背景环境扰动等问题，所以如何在复杂背景的视频中快速和精确地检测行人仍是视频图像处理技术领域的一个重点和难点。

现有的视频中行人检测方法主要分为三个方面：基于运动信息、基于模型匹配和基于统计分类。其中基于统计分类方法的鲁棒性较好，是目前行人检测技术中最为常用的方法（参考：贾慧星，章毓晋.车辆辅助驾驶系统中基于计算机视觉的行人检测研究综述[J].自动化学报，2007，33(1):84-90）。并且在该类方法中，最具影响的是2005年Dalal提出的HOG（Histogram of Oriented Gradient）特征描述与SVM分类器相结合的方法。HOG特征通过描述图像局部区域内梯度方向和强度的分布情况，很好地表征了目标的形状和外观，具有优良的检测性能（参考：Dalal N，Triggs B.Histograms of oriented gradients for human detection[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，2005:886-893.）。

虽然HOG特征有很好的实用性，但Dalal在实验中对原始图像进行密集扫描获得待测窗口，且将待测窗口分成若干个16×16固定大小的方块（Block）。一方面，这种滑动窗口搜索法使待测窗口的数量太大，影响了系统的检测速度。另一方面，固定大小的Block所含的信息量太少，容易产生漏检。因此许多学者提出了改进方法。杨小康等（上海交通大学.基于前景分析和模式识别的行人检测方法[P]：中国发明专利，201110081075.3.2011-08-10.）在发明中利用轮廓特征和行人高度先验模型分析前景获得行人的采样区域，该方法可以提高检测速度但是造成较高的易漏检率。Zhu等学者（Zhu Q，Avidan S,Yeh M C，et al.Fast Human Detection Using a Cascade of Histograms of Oriented Gradients.[C].Proceedings of IEEE Conference on Computer Vision and Pattern Recognition(CVPR)，2006:1491-1498.）将待测图片按不同比例划分成大小不同的Block，并采用级联AdaBoost进行分类。该方法虽然在一定程度上降低了漏检率并提高了检测速度，但是其训练时间过长。陈锐等学者（陈锐,彭启民.基于稳定区域梯度方向直方图的行人检测方法[J].计算机辅助设计与图形学学报，2012，24(3):372-377.）将待测窗口划分为大小不一的Block，然后选取HOG特征稳定性最高的多个Block作为最终的HOG特征提取块。该方法剔除了冗余的Block从而在一定程度上提高了检测效率，但Block存在交叉重叠，使得提取的特征也有较大的冗余信息。Sung-Tae An等学者（Sung-Tae An，Jeong-Jung Kim，Joon-Woo Lee，et al.Fast Human Detection Using Gaussian Particle Swarm Optimization[C].5th IEEE International Conference on Digital Ecosystems and Technologies，2011:143-146）利用高斯蚁群算法预测行人的位置，然后提取HOG特征，采用SVM分类器进行判断。但是蚁群算法收敛速度慢且易陷入局部最优。另外，如Wang等学者（Wang X Y，Han T X，Yan S C.An HOG-LBP human detector with partial occlusion handling[C]//Proceedings of the12th IEEE International Conference on Computer Vision.Los Alamitos:IEEE Computer Society Press，2009:32-39）针对行人存在遮挡等情况，采取基于部件检测算子检测等方法以降低漏检率；如Mu等学者（Mu Y D，Yan S C，Liu Y，et al.Discriminative local binary patterns for human detection in personal album[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition.Los Alamitos:IEEE Computer Society Press，2008:1-8）将其他特征与HOG特征相结合以提高精确度。但改进后的算法无法同时兼顾系统的高效率、低漏检率和高精度。